Internal Combustion Engine Optimization: An Improved Physics-Inspired Metaheuristic

Sintesi Tecnica: Ottimizzazione del Motore a Combustione Interna (ICEO)

Definizione del Problema
L'ottimizzazione in spazi di ricerca ad alta dimensionalità, non lineari e multimodali rimane una sfida fondamentale nell'ingegneria e nell'informatica. Sebbene le metaeuristiche si siano dimostrate efficaci per i problemi NP-hard, molti algoritmi esistenti soffrono di una convergenza prematura e dell'incapacità di mantenere un equilibrio ottimale tra esplorazione (diversificazione) e sfruttamento (intensificazione). Gli attuali approcci adattivi spesso si affidano a strategie di mutazione o perturbazione casuale che non incorporano esplicitamente la dinamica storica o lo stato corrente del processo di ricerca, portando alla stagnazione in ottimi locali.

Metodologia
Il documento propone l'Ottimizzazione del Motore a Combustione Interna (ICEO), una metaeuristica ispirata alla fisica e strutturata attorno al ciclo di funzionamento a quattro tempi di un motore a combustione interna. A differenza degli algoritmi puramente metaforici, l'ICEO è progettato come un sistema strutturato e adattivo in cui quattro fasi coordinate interagiscono sinergicamente:

1. Aspirazione (Esplorazione): Corrisponde alla generazione e all'integrazione di nuove soluzioni diverse. L'algoritmo preleva l' "aria" (soluzioni candidate) dall'atmosfera (popolazione) e il "carburante" (vettori di perturbazione casuale). La proporzione di aria fresca rispetto ai "gas combusti" riciclati (soluzioni precedentemente scartate) è regolata dinamicamente.
2. Compressione (Sfruttamento Precoce): Lo spazio di ricerca viene progressivamente contratto attorno alla migliore soluzione corrente ($X_{best}$). Le particelle d'aria vengono combinate con i vettori di carburante per generare nuove configurazioni candidate, concentrando la ricerca nelle regioni promettenti.
3. Combustione (Sfruttamento Intensivo e Fuga): Modellata come un processo probabilistico in cui solo un sottoinsieme di soluzioni subisce l' "accensione". Questa fase prevede un raffinamento intensivo delle migliori soluzioni. Per evitare l'intrappolamento in minimi locali, l'algoritmo applica occasionalmente perturbazioni basate sul volo di Lévy a soluzioni selezionate.
4. Scarico (Selezione e Aggiornamento): I gas combusti (nuove soluzioni generate) vengono valutati. La popolazione viene ordinata e le migliori soluzioni vengono mantenute per il ciclo successivo, mentre i candidati inferiori vengono espulsi.

Meccanismo di Controllo Adattivo (ECU)
Un'innovazione centrale dell'ICEO è l'Unità di Controllo del Motore (ECU), un meccanismo adattivo che governa il ciclo iterativo. L'ECU monitora la velocità di convergenza e la stagnazione utilizzando una finestra scorrevole ($\omega$) degli ultimi valori di fitness.

• Calcola il tasso di miglioramento medio ($\Delta f$) e regola un parametro di accelerazione ($a_x$).
• In base ad $a_x$, l'ECU determina dinamicamente il rapporto aria-carburante ($\rho_{air}$ e $\rho_{fuel}$), controllando efficacemente l'equilibrio tra l'iniezione di nuova diversità (esplorazione) e il raffinamento delle soluzioni esistenti (sfruttamento).
• Questa adattazione guidata dal feedback permette all'algoritmo di reagire alle dinamiche di ottimizzazione in tempo reale anziché affidarsi a programmi fissi.

Contributi Chiave

• Ciclo Strutturato a Quattro Fasi: L'ICEO separa esplicitamente le operazioni di ricerca in fasi distinte e coordinate (aspirazione, compressione, combustione, scarico), differenziandosi dagli algoritmi che incorporano queste funzioni all'interno di singole regole di aggiornamento.
• Regolazione Adattiva: L'introduzione del meccanismo ECU consente l'aggiustamento dei parametri in base alle prestazioni, sintonando specificamente l'intensità del processo di "combustione" e il tasso di iniezione delle soluzioni in base alla stagnazione osservata.
• Meccanismo del Mix Aria-Carburante: L'algoritmo decompone esplicitamente le risorse di ricerca in diversità esterna iniettata (carburante) e continuità basata sulla popolazione (aria), con un rapporto regolato adattivamente per bilanciare esplorazione e sfruttamento.

Risultati Sperimentali
Le prestazioni dell'ICEO sono state valutate contro dieci metaeuristiche allo stato dell'arte (tra cui L-SHADE, CMA-ES, GWO, PSO e GA) attraverso tre fasi sperimentali:

1. Funzioni di Benchmark Standard (D=100): Testate su 18 funzioni (unimodali e multimodali). L'ICEO ha ottenuto il punteggio di rango globale più basso (27 punti), assicurandosi 15 primi posti. Ha dimostrato una precisione di convergenza superiore sia su funzioni unimodali (es. Dixon-Price) che multimodali (es. Rastrigin, Ackley) rispetto ai competitor.
2. Suite di Benchmark CEC 2022 (D=20): Valutato su 12 funzioni complesse (unimodali, multimodali, ibride e composizioni). L'ICEO ha ottenuto il miglior rango medio (2.750) nel test di Friedman.
   • Significatività Statistica: Il test post-hoc di Nemenyi ha indicato che la superiorità dell'ICEO è statisticamente significativa solo rispetto agli algoritmi con le prestazioni più basse (WarSO, EHO, CMA-ES). Le differenze rispetto ai top competitor come L-SHADE e SADE non erano statisticamente significative secondo il test di Nemenyi, sebbene il test di Wilcoxon per i ranghi con segno abbia mostrato che l'ICEO vinceva significativamente più confronti a coppie (94 vittorie contro 18 sconfitte complessive).
3. Problemi di Ingegneria del Mondo Reale: L'ICEO è stato applicato ai problemi di progettazione del Riduttore di Velocità, della Travata a Tre Barre e del Recipiente a Pressione. In tutti i casi, ha dimostrato prestazioni competitive, convergenza rapida e bassa dispersione delle soluzioni rispetto ai primi cinque algoritmi dei test di benchmark.
4. Studio di Ablazione: La rimozione della fase di compressione (V1) ha causato il degrado delle prestazioni più significativo, evidenziando il suo ruolo critico. Le varianti senza ECU (V3) hanno performato peggio del pieno ICEO, confermando il valore del meccanismo adattivo.

Significato e Limitazioni
Il documento sostiene che l'ICEO offre un framework robusto per bilanciare esplorazione e sfruttamento attraverso il suo ciclo strutturato ispirato alla fisica e il controllo adattivo in tempo reale. Il meccanismo ECU distingue l'algoritmo dagli standard algoritmi guidati dal leader, poiché adatta lo sforzo di ricerca in base alle prestazioni piuttosto che al tempo.

Tuttiché, gli autori riconoscono specifiche limitazioni:

• Sfumatura Statistica: Sebbene l'ICEO sia spesso al primo posto, il test di Nemenyi suggerisce che la sua superiorità non è confermata statisticamente contro tutti i top-tier competitor (es. L-SHADE), indicando una sostanziale sovrapposizione di prestazioni tra i metodi avanzati.
• Costo Computazionale: Il passaggio di ordinamento richiesto per gli aggiornamenti della popolazione comporta un costo computazionale non trascurabile, limitando potenzialmente l'applicabilità in scenari con vincoli temporali.
• Sensibilità agli Iperparametri: Sebbene l'ECU riduca la sensibilità, l'algoritmo richiede comunque la calibrazione di parametri come $r_{min}$ e $r_{max}$, e le prestazioni possono degradare se questi vengono impostati al di fuori degli intervalli raccomandati.
• Ambito: L'attuale implementazione è un ottimizzatore a obiettivo singolo senza garanzie teoriche formali di convergenza. Gli autori suggeriscono che il lavoro futuro dovrebbe affrontare problemi ad alta dimensionalità ($D > 500$), l'ottimizzazione multi-obiettivo e gli spazi di ricerca discreti.